Суррогатное моделирование в строительстве

Автор: Гарифуллин Марсель Ринатович, Наумова Елизавета Алексеевна, Жувак Оксана Владимировна, Барабаш Александра Викторовна

Журнал: Строительство уникальных зданий и сооружений @unistroy

Статья в выпуске: 2 (41), 2016 года.

Бесплатный доступ

Любое сооружение должно удовлетворять техническим требованиям и при этом быть оптимальным для расчета. Целью данного исследования является рассмотрение суррогатного моделирования как способа уменьшения трудозатрат при расчете системы, а также получения более точных результатов, не снижающих параметров надежности. В статье рассмотрены программные комплексы, позволяющие реализовать расчеты, приведены примеры использования суррогатного моделирования в различных отраслях и проанализирована оптимизация строительных конструкций, в частности, стальных ферм. Таким образом, суррогатное моделирование для строительства является новым и перспективным направлением, достойным более подробного изучения, открывающим широкие перспективы оптимизации различных строительных конструкций.

Еще

Сооружение, суррогатная модель, кригинг, здание, аппроксимация, оптимизация строительных конструкций, стальная ферма

Короткий адрес: https://sciup.org/14322310

IDR: 14322310

Список литературы Суррогатное моделирование в строительстве

  • Приходько П. В. Применение методов агрегации экспертов и регрессии на основе гауссовских процессов для построения метамоделей: диссертация. Кандидат физико-математических наук. Москва. 2013. С. 1-26.
  • Бурнаев Е. В., Панов М., Кононенко Д., Коноваленко И. Сравнительный анализ процедур оптимизации на основе гауссовских процессов . Систем. требования: AdobeAcrobatReader. URL: http://itas2012.iitp.ru/pdf/1569602385.pdf (дата обращения: 04.11.2015).
  • Бернштейн А. В. Интеллектуальный анализ данных в теории надежности . Систем.требования: AdobeAcrobatReader. URL: http://mmr.gubkin.ru/uploads/submitted_papers/bernstein%20.pdf (дата обращения: 04.11.15).
  • Бурнаев Е. В., Зайцев А.А. Суррогатное моделирование разноточных данных в случае выборок большого размера//Информационные процессы. Том 15. № 1.2015. С. 97-109.
  • Бернштейн А. В., Бурнаев Е. В., Ерофеев П. Д. Экспериментальное сравнение подходов к задаче моделирования многообразий//Труды 55-й научной конференции МФТИ. Том 1. (Управление и прикладная математика). Москва.: Изд-во МФТИ, 2012. С. 98.
  • Бернштейн А. В., Кулешов А. П. Когнитивные технологии в проблеме снижения размерности описания геометрических объектов//ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И ВЫЧИСЛИТЕЛЬНЫЕ СИСТЕМЫ. 2008. №2/4. С. 6-19.
  • Ялалетдинов А. Д., Чепыжов В. В., Чернова С. С. Применение процедур снижения размерности к суррогатной модели аэродинамики крыла самолета в задачах оптимизации . Систем. требования: AdobeAcrobatReader. URL: http://itas2011.iitp.ru/pdf/1569459067.pdf (дата обращения: 04.11.15).
  • Бернштейн А. В., Кулешов А. П. Снижение размерности при наличии предикатов//Информационные процессы. Том 8. №1. 2008. С. 47-57.
  • Бурнаев Е. В., Приходько П. В. Методология построения суррогатных моделей для аппроксимации пространственно-неоднородных функций//Труды МФТИ. Том 5. №4. (Информатика, математика). Москва.: Изд-во МФТИ, 2013. С. 122-132.
  • Кулешов А. П. Когнитивные технологии в адаптивных моделях сложных объектов//ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И ВЫЧИСЛИТЕЛЬНЫЕ СИСТЕМЫ. 2008. №2/4. С. 6-19
  • Беляев М. Г., Бурнаев Е. В., Приходько П. В. Методика построения аппроксимации многомерной функции на основе разложения по словарю параметрических функций//Труды 53-й научной конференции МФТИ. (Секция проблем передачи и обработки информации). Москва.:Изд-во МФТИ, 2010. С. 101-102.
  • Бурнаев Е. В., Панов М. Е. Об оценивании точности суррогатных моделей//Труды 53-й научной конференции МФТИ. (Секция проблем передачи и обработки информации). Москва.:Изд-во МФТИ, 2010. С. 105-106.
  • Беляев М. Г. Учет особенностей дизайн эксперимента при решении задач аппроксимации в суррогатном моделировании . Систем.требования: AdobeAcrobatReader. URL: http://itas2013.iitp.ru/disk/pdf/1569754979.pdf(дата обращения: 04.11.15).
  • Назаренко А. М. Эффективный алгоритм многокритериальной суррогатной оптимизации: выпускная квалификационная работа на степень магистра. Москва. 2013. С. 1-48.
  • Бурнаев Е. В., Янович Ю. А. Построение гладкихсуррогатных моделей//Труды 53-й научной конференции МФТИ. (Секция проблем передачи и обработки информации). Москва.: Изд-во МФТИ, 2010. С. 103-104.
  • Бурнаев Е. В., Ерофеев П., Зайцев А., Кононенко Д., Капушев Е. Суррогатное моделирование и оптимизация профиля крыла самолета на основе гауссовских процессов . Систем.требования: AdobeAcrobatReader. URL: http://itas2012.iitp.ru/pdf/1569602325.pdf (дата обращения: 04.11.2015).
  • Корилов М.В., Сысоев И.В., Безручко Б.П. Оптимальный подбор параметров прогностических моделей в методе нелинейной причинности по Грэйнджеру в приложении к сигналам, характеризуемыми хорошо выраженными временными масштабами//Ижевск: НИЦ «РХД». 2014. Том 10. № 3. С. 279-295.
  • Корнилов М.В., Сысоев И.В. Влияние выбора структуры модели на работоспособность метод нелинейной причинности по Грэйнджеру//Саратов: Изд-во СГУ. 2013. Том 21. № 2. С. 74-87.
  • Enrica Bernardini, Seymour M.J. Spence, Daniel Wei, Ahsan Kareem. Aerodynamic shape optimization of civil structures: A CFD-enabled Kriging-based approach. Journal of Wind Engineering and Industrial Aerodynamics. Vol. 44. 2015. Pp. 154-164.
  • Kristo Mela, Teemu Tianen, Markku Heinisuo. (2012). Comparative study of multiple criteria decision making methods for building design. Advanced Engineering Informatics. Vol. 26. № 4. 2012. Pp. 716-726.
  • Leigan Zhang, Zhenzhou Lu, Pan Wang. Efficient structural reliability analysis method based on advanced Kriging model. Applied Mathematical Modeling. Vol.39. Issue 2. 2015. Pp.781-793.
  • Joakim Beck, Daniel Friedrich, Stefano Brandani, Eric S. Fraga. Multi-objective optimization using surrogate models for the design of VPSA system. Computers and Chemical Engineering. Vol. 82. Issue 2. 2015. Pp.318-329.
  • Mathieu Balesdent, Jerome Morio, Julien Marzat. Kriging-based adaptive Importance Sampling algorithms for rare event estimation. Structural Safety. Vol. 44. 2013. Pp.1-10.
  • Irfan Kaymaz. Application of kriging method to structural reliability problems. Structural Safety. Vol. 27. 2005. Pp.133-151.
  • Zhaoyan Lv, Zhenzhou Lu, Pan Wang. A new learning function for Kriging and its applications to solve reliability problems in engineering. Computers and Mathematics with Applications. Vol. 70. Issue 5. 2015. Pp.1182-1197.
  • David J.J. Toal. Some considerations regarding the use of multi-fidelity Kriging in the construction of surrogate models. Structural and Multidisciplinary Optimization. Vol. 51. Issue 6. 2015. Pp.1223-1245.
  • Huachao Dong, Baowei Song, Peng Wang, Shuai Huang. Multi-fidelity information fusion based on prediction of kriging. Structural and Multidisciplinary Optimization. Vol. 51. Issue 6. 2015. Pp.1267-1280.
  • Echard B., Gayton N., Lemaire M. AK-MCS: An active learning reliability method combining Kriging and Monte Carlo Simulation. Structural Safety. Vol. 33. 2011. Pp.145-154.
  • Fauriat W., Gayton N. AK-SYS: An adaptation of the AK-MCS method for system reliability. Reliability Engineering and System Safety. Vol. 123. 2014. Pp.137-144.
  • Xufeng Yang, Yongshou Liu, Yi Gao, Yishang Zhang, Zongzhan Gao. An active learning kriging model for hybrid reliability analysis with both random and interval variables. Struct Multidisc Optim.2015. No. 51. Pp. 1003-1016.
  • Yongkai An, Wenxi Lu, Weiguo Cheng. Surrogate Model Application to the Identification of Optimal Groundwater Exploitation Scheme Based on Regression Kriging Method-A Case Study of Western Jilin Province. International Journal of Environmental Research and Public Health.2015. No. 12. Pp. 8897-8918.
  • Zhaoyan Lv, Zhenzhou Lu, Pan Wang. A new learning function for Kriging and its applications to solve reliability problems in engineering. Computers and Mathematics with Applications.2015. No. 70. Pp. 1182-1197.
  • Marrel A., Marie N., De Lozzo M. Advance surrogate model and sensitivity analysis methods for sodium fastreactor accident assessment. Reliability Engineering and System Safety.2015. No. 138. Pp. 232-241.
  • Jiang Xiangwen, Zhao Qijun, Zhao Guoqing, Li Peng. Integrated optimization Analyses of aerodynamic/shealth characteristics of helicopter rotor based on surrogate model. Chinese Journal of Aeronautics.2015. No. 28(3). Pp. 737-748.
  • The-Quan Pham, Alfred Kamusella, HolgerNeubert. Auto-Extraction of Modelica Code from Finite Element Analysis or Measurement Data . System requirements: AdobeAcrobatReader. URL: http://www.optiy.de/download/Pham_Modelica2011.pdf (date of access: 04.11.2015).
  • Mustafa Berke Yelten, Ting Zhu, Slawomir Koziel, Paul D. Franzon and Michael B. Steer. Demystifying Surrogate Modeling for Circuits and Systems. CIRCUITS AND SYSTEMS MAGAZINE.2012. Pp. 45-63.
  • Nestor V. Queiro, Salvador Pintos, Nestor Rincon, Nemrod Contresas, Juan Colmenares. Surrogate modelingbased optimization for the integration of static and dynamic data into a reservoir description. JOURNAL OF PETROLEUM SCIENCE AND ENGINEERING.2002. No. 35. Pp. 167-181.
  • Nestor V. Queipo, Javier V. Goicochea, Salvador Pintos. (2002). Surrogate modeling-based optimization of SAGD processes. Journal of Petroleum Science and Engineering.2002. No. 35. pp. 83-93.
  • Saman Razavi, Bryan A. Tolson, Donald H. Burn. Review of surrogate modeling in water resources. WATER RESOURCE SRESEARCH.2012. Vol. 48. Issue 7. 2012. Pp. 1-32.
  • Васюта К.С., Формирование ответных имитационных помех радиотехническим системам с применением суррогатных сигналов//Харьков: Вид-во ХУПС iм. I. Кожедуба. 2013. Вып. 4 (111). С. 12-15.
  • Amir Nobari, Huajiang Ouyang, Paul Bannister. Uncertainty quantification of squeal instability via surrogate modeling. Mechanical Systems and Signal Processing.2015. No. 60-61. Pp. 887-908.
  • Anitha Mogilicharla, Prateek Mittal, Saptarshi Majumbar, Kishalay Mitra. Kriging surrogate based multi-objective optimization of bulk vinyl acetate polymerization with branching. Materials and Manufacturing Processes.2015. No.30. Pp. 394-402.
  • Judith E. Dayhoff, James M. DeLeo. Artificial Neural Networks. CANCER Supplement.2001. Vol. 91. Issue 8. Pp. 1615-1635.
  • Mauri Laasonen, Teemu Tiainen, Antti Kurvinen, Markku Heinisio. Decision Making Pertaining to Sustainable Features of Building Design.
  • Müller J. Surrogate Model Algorithms for Computationally Expensive Black-Box Global Optimization Problems. Tampere University of Technology. Publication 1092, 2012.
  • Lophaven S.N., Søndergaard J., Nielsen H.B. DACE, A MATLAB Kriging Toolbox, Version 2.0, August 1. Technical University of Denmark, 2002. 1-28 p.
  • Roux W.J., Stander N., Haftka R.T. Response surface approximations for structural optimization//International Journal for Numerical Methods in Engineering. 1998. Vol. 42, № 3. pp. 517-534.
  • Jin R., Chen W., Simpson T.W. Comparative studies of metamodelling techniques under multiple modelling criteria//Structural and Multidisciplinary Optimization. 2001. Vol. 23, № 1. pp. 1-13.
  • Queipo N. V., Haftka R.T., Shyy W., Goel T., Vaidyanathan R., Kevin Tucker P. Surrogate-based analysis and optimization//Progress in Aerospace Sciences. 2005. Vol. 41. pp. 1-28.
  • Kleijnen J.P.C. Simulation experiments in practice: statistical design and regression analysis//Journal of Simulation. 2008. Vol. 2. pp. 19-27.
  • Mukhopadhyay T., Dey T.K., Dey S., Chakrabarti A. Optimization of fiber reinforced polymer web core bridge deck -A hybrid approach//Structural Engineering International. 2015. Vol. 25, № 2. pp. 173-183.
  • Yun G.J., Ghaboussi J., Elnashai A.S. Self-learning simulation method for inverse nonlinear modeling of cyclic behavior of connections//Computer Methods in Applied Mechanics and Engineering. 2008. Vol. 197, № 33-40. pp. 2836-2857.
  • Jadid M.N., Fairbairn D.R. Neural-network applications in predicting moment-curvature parameters from experimental data//Engineering Applications of Artificial Intelligence. 1996. Vol. 9, № 3. pp. 309-319.
  • Anderson D., Hines E.L., Arthur S.J., Eiap E.L. Application of artificial neural networks to the prediction of minor axis steel connections//Computers & Structures. 1997. Vol. 63, № 4. pp. 685-692.
  • Stavroulakis G.E., Avdelas A.V., Abdalla K.M., Panagiotopoulos P.D. A neural network approach to the modelling, calculation and identification of semi-rigid connections in steel structures//Journal of Constructional Steel Research. 1997. Vol. 44, № 1-2. pp. 91-105.
  • De Lima L.R.O., Vellasco P.C.G. da S., De Andrade S.A.L., Da Silva J.G.S., Vellasco M.M.B.R. Neural networks assessment of beam-to-column joints//Journal of the Brazilian Society of Mechanical Sciences and Engineering. SciELO Brasil, 2005. Vol. 27, № 3. pp. 314-324.
  • Guzelbey I.H., Cevik A., Gögüş M.T. Prediction of rotation capacity of wide flange beams using neural networks//Journal of Constructional Steel Research. 2006. Vol. 62, № 10. pp. 950-961.
  • Pirmoz A., Gholizadeh S. Predicting of moment-rotation behavior of bolted connections using neural networks. 3rd national congress on civil engineering, 2007.
  • Salajegheh E., Gholizadeh S., Pirmoz A. Self-organizing parallel back propagation neural networks for predicting the moment-rotation behavior of bolted connections//Asian Journal of Civil Engineering. 2008. Vol. 9, № 6. pp. 625-640.
  • Kim J., Ghaboussi J., Elnashai A.S. Mechanical and informational modeling of steel beam-to-column connections//Engineering Structures. 2010. Vol. 32, № 2. pp. 449-458.
  • Алексейцев А.В. Эволюционная оптимизация стальных ферм с учетом узловых соединений стержней//Инфстрой. 2013. № 5. С. 28-37.
  • Grotmann D., Sedlacek G. Rotational stiffness of welded RHS beam-to-column joints. Cidect 5BB-8/98. RWTH Aachen, 1988.
  • Díaz C., Victoria M., Querin O.M., Martí P. Optimum design of semi-rigid connections using metamodels//Journal of Constructional Steel Research. Elsevier Ltd, 2012. Vol. 78. pp. 97-106.
  • Alexander Forrester, András Sóbester, Andy Keane. John Wiley & Sons Ltd. Engineering design via surrogate modeling. A practical guide. 2008. 116p.
  • European Committee for Standardisation (CEN). Eurocode 3. Design of steel structures, Part 1-8: Design of joints (EN 1993-1-8:2005). Brussels, 2005.
Еще
Статья научная